CN111462909B - 疾病演化跟踪和病情提示方法、装置及电子设备 - Google Patents
疾病演化跟踪和病情提示方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111462909B CN111462909B CN202010237744.0A CN202010237744A CN111462909B CN 111462909 B CN111462909 B CN 111462909B CN 202010237744 A CN202010237744 A CN 202010237744A CN 111462909 B CN111462909 B CN 111462909B
- Authority
- CN
- China
- Prior art keywords
- disease
- information
- tracked
- evolution
- symptom
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 1060
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 1060
- 238000000034 method Methods 0.000 title claims abstract description 79
- 208000024891 symptom Diseases 0.000 claims abstract description 247
- 230000008859 change Effects 0.000 claims description 17
- 238000003745 diagnosis Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 206010035664 Pneumonia Diseases 0.000 description 34
- 206010046306 Upper respiratory tract infection Diseases 0.000 description 28
- 208000008423 pleurisy Diseases 0.000 description 28
- 230000001154 acute effect Effects 0.000 description 24
- 206010057190 Respiratory tract infections Diseases 0.000 description 22
- 208000020029 respiratory tract infectious disease Diseases 0.000 description 21
- 230000008569 process Effects 0.000 description 17
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 208000019622 heart disease Diseases 0.000 description 7
- 208000017667 Chronic Disease Diseases 0.000 description 6
- 210000002345 respiratory system Anatomy 0.000 description 4
- 206010011224 Cough Diseases 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 210000000987 immune system Anatomy 0.000 description 3
- 230000008506 pathogenesis Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 208000034656 Contusions Diseases 0.000 description 1
- 206010024971 Lower respiratory tract infections Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005713 exacerbation Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000035876 healing Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Medical Informatics (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明实施例提供一种疾病演化跟踪和病情提示方法、装置及电子设备，其中方法包括：确定待跟踪疾病；基于所述待跟踪疾病的症状信息，以及所述待跟踪疾病的若干个候选演化疾病的症状信息，确定所述待跟踪疾病的疾病演化信息。本发明实施例提供的方法、装置及电子设备，结合待跟踪疾病和候选演化疾病的症状信息进行疾病演化跟踪，从而能够从医学角度上深层次分析疾病间的内在关系，进而提高疾病演化跟踪的可靠性和准确性。
Description
技术领域
本发明涉及自然语言处理技术领域，尤其涉及一种疾病演化跟踪和病情提示方法、装置及电子设备。
背景技术
随着医疗信息化的发展，病历的数字化为跟踪疾病演化过程提供了大量的数据支持。通过跟踪疾病演化过程，能够挖掘疾病之间的内在关系，预测患者潜在的患病危机，从而为患者提供病情提示。
目前，针对于疾病演化过程的跟踪，主要是通过关联规则或者构建知识图谱的方式实现的，其中关联规则仅能够从病历文本的字面上挖掘疾病之间的表面关联，无法从医学的角度上深层次分析疾病之间的内在关系；知识图谱的构建则通过需要人工完成，工作量巨大且难以穷举。若仅在上述疾病演化过程跟踪所得的结果的基础上进行病情提示，其可靠性和准确性均无法满足要求。
发明内容
本发明实施例提供一种疾病演化跟踪和病情提示方法、装置及电子设备，用以解决现有的疾病演化过程跟踪方法无法从深层次挖掘疾病之间的内在关系，且效率低下，无法满足病情提示的准确性和可靠性要求的问题。
第一方面，本发明实施例提供一种病情提示方法，包括：
确定待跟踪疾病；
基于所述待跟踪疾病的症状信息，以及所述待跟踪疾病的若干个候选演化疾病的症状信息，确定所述待跟踪疾病的疾病演化信息。
优选地，所述基于所述待跟踪疾病的症状信息，以及所述待跟踪疾病的候选演化疾病的症状信息，确定所述待跟踪疾病的疾病演化信息，具体包括：
基于所述待跟踪疾病的症状信息，确定所述待跟踪疾病的疾病个体重发信息；
基于所述待跟踪疾病和每一候选演化疾病的症状信息，确定所述待跟踪疾病的疾病间演化信息，所述疾病间演化信息包括后续期间疾病信息、其他演化疾病信息、并发症信息以及疾病序列重发信息中的至少一种。
优选地，所述基于所述待跟踪疾病的症状信息，确定所述待跟踪疾病的疾病个体重发信息，具体包括：
基于所述待跟踪疾病的症状信息，确定所述待跟踪疾病的重复患病症状相似度；
基于所述待跟踪疾病的疾病类型、重复患病概率以及所述重复患病症状相似度，确定所述待跟踪疾病的疾病个体重发信息。
优选地，所述基于所述待跟踪疾病和每一候选演化疾病的症状信息，确定所述待跟踪疾病的疾病间演化信息，具体包括：
若所述待跟踪疾病和任一候选演化疾病的疾病名称中，除期间词以外的字符均一致，且所述待跟踪疾病的期间词的时序在所述任一候选演化疾病的期间词的时序之前，则将所述任一候选演化疾病更新至所述后续期间疾病信息；
否则，基于所述待跟踪疾病和所述任一候选演化疾病的症状信息，更新所述其他演化疾病信息。
优选地，所述基于所述待跟踪疾病和所述任一候选演化疾病的症状信息，更新所述其他演化疾病信息，具体包括：
基于所述待跟踪疾病和所述任一候选演化疾病的症状信息，确定所述待跟踪疾病和所述任一候选演化疾病的疾病间症状相似度和症状变化一致度；
基于所述任一候选演化疾病发生在所述待跟踪疾病之后的病历对数量，以及所述疾病间症状相似度和所述症状变化一致度，更新所述其他演化疾病信息。
优选地，所述基于所述待跟踪疾病和每一候选演化疾病的症状信息，确定所述待跟踪疾病的疾病间演化信息，具体包括：
基于所述待跟踪疾病和任一候选演化疾病的症状信息，确定所述待跟踪疾病和所述任一候选演化疾病的疾病间症状相似度；
基于所述待跟踪疾病和所述任一候选演化疾病的并发病历对数量，以及所述疾病间症状相似度，更新所述并发症信息。
优选地，所述基于所述待跟踪疾病和每一候选演化疾病的症状信息，确定所述待跟踪疾病的疾病间演化信息，具体包括：
确定以所述待跟踪疾病为起始端的疾病序列，所述疾病序列中当前疾病的后一疾病包含在所述当前疾病的后续期间疾病信息、其他演化疾病信息或并发症信息中；
基于所述疾病序列的症状信息，确定所述疾病序列的重复患病症状相似度；
基于所述疾病序列中每一疾病的疾病类型，以及所述疾病序列的重复患病概率和所述重复患病症状相似度，确定所述疾病序列的疾病序列重发信息。
第二方面，本发明实施例提供一种病情提示方法，包括：
确定患者的待提示疾病；
基于疾病体系，确定所述待提示疾病对应的病情提示信息；
其中，所述疾病体系是基于如第一方面提供的所述疾病演化跟踪方法得到的各疾病的疾病演化信息确定的。
优选地，所述基于疾病体系，确定所述待提示疾病对应的病情提示信息，具体包括：
基于所述患者的患者类型所对应的疾病体系，确定所述待提示疾病对应的病情提示信息；
所述患者类型所对应的疾病体系中，各疾病的疾病演化信息是基于属于所述患者类型的患者的病历数据得到的。
优选地，所述基于疾病体系，确定所述待提示疾病对应的病情提示信息，具体包括：
基于所述患者确诊所述待提示疾病的次数，以及所述疾病体系，确定所述病情提示信息中的易重发信息。
第三方面，本发明实施例提供一种疾病演化跟踪装置，包括：
跟踪确定单元，用于确定待跟踪疾病；
演化跟踪单元，用于基于所述待跟踪疾病的症状信息，以及所述待跟踪疾病的若干个候选演化疾病的症状信息，确定所述待跟踪疾病的疾病演化信息。
第四方面，本发明实施例提供一种病情提示装置，包括：
提示确定单元，用于确定患者的待提示疾病；
病情提示单元，用于基于疾病体系，确定所述待提示疾病对应的病情提示信息；
其中，所述疾病体系是基于如第一方面提供的所述疾病演化跟踪方法得到的各疾病的疾病演化信息确定的。
第五方面，本发明实施例提供一种电子设备，包括处理器、通信接口、存储器和总线，其中，处理器，通信接口，存储器通过总线完成相互间的通信，处理器可以调用存储器中的逻辑命令，以执行如第一方面或第二方面所提供的方法的步骤。
第六方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面或第二方面所提供的方法的步骤。
本发明实施例提供的一种疾病演化跟踪和病情提示方法、装置及电子设备，结合待跟踪疾病和候选演化疾病的症状信息进行疾病演化跟踪，从而能够从医学角度上深层次分析疾病间的内在关系，进而提高疾病演化跟踪的可靠性和准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的疾病演化跟踪方法的流程示意图；
图2为本发明另一实施例提供的疾病演化跟踪方法的流程示意图；
图3为本发明实施例提供的疾病个体重发信息确定方法的流程示意图；
图4为本发明实施例提供的其他演化疾病信息确定方法的流程示意图；
图5为本发明实施例提供的并发症信息确定方法的流程示意图；
图6为本发明实施例提供的疾病序列重发信息确定方法的流程示意图；
图7为本发明实施例提供的病情提示方法的流程示意图；
图8为本发明实施例提供的疾病体系局部示意图；
图9为本发明实施例提供的疾病演化跟踪装置的结构示意图；
图10为本发明实施例提供的病情提示装置的结构示意图
图11为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在医疗领域，跟踪疾病的演化过程，挖掘疾病之间的内在关系，预测患者潜在的患病危机，从而为患者提供病情提示，有助于患者充分了解自身病情。目前针对于疾病演化过程的跟踪，主要是通过关联规则或者构建知识图谱的方式实现的，其中关联规则无法深层次分析疾病之间的内在关系，知识图谱的构建工作量巨大且难以穷举。若仅在上述疾病演化过程跟踪所得的结果的基础上进行病情提示，其可靠性和准确性均无法满足要求。
针对于上述问题，本发明实施例提供了一种疾病演化跟踪方法。图1为本发明实施例提供的疾病演化跟踪方法的流程示意图，如图1所示，该方法包括：
步骤110，确定待跟踪疾病。
步骤120，基于待跟踪疾病的症状信息，以及待跟踪疾病的若干个候选演化疾病的症状信息，确定待跟踪疾病的疾病演化信息。
其中，待跟踪疾病即需要进行演化过程跟踪的疾病。
一个待跟踪疾病可以对应于若干个候选演化疾病，此处的候选演化疾病可以是从曾经患有待跟踪疾病的患者的病历集中提取的该患者在患过待跟踪疾病之后患过的疾病，例如一个患者2月1日的病历中诊断结果为急性上呼吸道感染，2月19日的病历中诊断结果为肺炎，则肺炎可以作为急性上呼吸道感染的候选演化疾病。需要说明的是，待跟踪疾病及其对应的候选演化疾病之间可能存在内在联系，也可能互不关联。
待跟踪疾病的症状信息包含有待跟踪疾病在各个病历中分别对应的症状，任一候选演化疾病的症状信息包含有该候选演化疾病在各个病历中分别对应的症状。在对疾病的演化过程进行跟踪时，本发明实施例从医学角度出发，统计大量患者中每个患者的病历集中待跟踪疾病的症状信息，以及任一候选演化疾病的症状信息，挖掘待跟踪疾病和该候选演化疾病体现在疾病症状层面上的关联性，通过疾病症状层面上的关联性推导疾病之间的内在联系，从而根据待跟踪疾病和每一候选演化疾病之间的内在联系，确定待跟踪疾病的疾病演化信息。此处，待跟踪疾病的疾病演化信息可以包括属于待跟踪疾病的后续期间的疾病、由待跟踪疾病演化的其他疾病、待跟踪疾病的并发症，以及待跟踪疾病是否易重发和以待跟踪疾病为起始端的疾病序列是否易重发中的至少一种。
相比传统的仅从病历文本的字面上挖掘疾病之间的表面关联的疾病演化跟踪方法，本发明实施例在疾病演化跟踪过程中结合了疾病的症状信息，通过疾病之间症状的相似度、每种症状在演化过程中程度变化的一致性等分析疾病症状层面上的关联性，从而能够从医学角度上深层次分析疾病间的内在关系，进而提高疾病演化跟踪的可靠性和准确性。例如，当待跟踪疾病在患者中的重复患病率较高时，可以结合同一患者重复患病时每次患病的症状是否相似，从而判断待跟踪疾病是否易重发；又例如，当大量患者在确诊待跟踪疾病后确诊任一候选演化疾病时，可以结合待跟踪疾病与该候选演化疾病在症状信息上的相似度，以及待跟踪疾病与该候选演化疾病在同一种症状的程度变化上的一致性，判断该候选演化疾病是否为待跟踪疾病演化的其他疾病；又例如，当大量患者在确诊待跟踪疾病后，确诊待跟踪疾病与任一候选演化疾病并发时，可以结合待跟踪疾病与该候选演化疾病在症状信息上的相似度，判断该候选演化疾病是否为待跟踪疾病的并发症。
本发明实施例提供的方法，结合待跟踪疾病和候选演化疾病的症状信息进行疾病演化跟踪，从而能够从医学角度上深层次分析疾病间的内在关系，进而提高疾病演化跟踪的可靠性和准确性。
基于上述实施例，图2为本发明另一实施例提供的疾病演化跟踪方法的流程示意图，如图2所示，步骤120具体包括：
步骤121，基于待跟踪疾病的症状信息，确定待跟踪疾病的疾病个体重发信息。
具体地，从单一待跟踪疾病的症状信息分析，可以得到单一待跟踪疾病自身的内在关系，即待跟踪疾病的疾病个体重发信息。疾病个体重发信息用于指示患者在确诊疾病并治愈后，该疾病是否容易复发，疾病个体重发信息可以是易重发或者不易重发。
从医学的角度出发，由于身体特别是免疫***特质导致个体易重发的情况，同一患者在重发该疾病时，每次重发所对应的临床表现的症状应该是相似的。例如，大量患者在急性上呼吸道感染治愈后重发，且每次急性上呼吸道感染的症状均相似，由此确定急性上呼吸道感染的疾病个体重发信息为易重发。
步骤122，基于待跟踪疾病和每一候选演化疾病的症状信息，确定待跟踪疾病的疾病间演化信息，疾病间演化信息包括后续期间疾病信息、其他演化疾病信息、并发症信息以及疾病序列重发信息中的至少一种。
具体地，从待跟踪疾病和候选演化疾病的症状信息分析，可以得到待跟踪疾病和候选演化疾病之间的内在关系，即待跟踪疾病向候选演化疾病演化的具体情况，从而确定疾病间演化信息。
其中，后续期间疾病信息包括属于待跟踪疾病的后续期间的疾病，具体指与待跟踪疾病属于同一疾病，且后续期间在待跟踪疾病之后的疾病，例如胸膜炎(中期)属于胸膜炎(早期)的后续期间的疾病。
其他演化疾病信息包括由待跟踪疾病演化的其他疾病，具体是指与待跟踪疾病属于不同疾病，且由待跟踪疾病演化成的疾病。在医学上，待跟踪疾病与由待跟踪疾病演化的其他疾病通常有着较为一致的发病机理和临床表现，且疾病演化过程中各个症状的轻重程度变化，应该是相对固定的，因此可以结合待跟踪疾病与候选演化疾病在症状信息上的相似度，以及待跟踪疾病与候选演化疾病在同一种症状的程度变化上的一致性，判断候选演化疾病是否为由待跟踪疾病演化的其他疾病。例如，急性上呼吸道感染和肺炎在症状信息上的相似程度较高，且急性上呼吸道感染发展为肺炎，在咳嗽这一症状上普遍表现为程度加重，由此可以确定肺炎为急性上呼吸道感染演化的其他疾病。
并发症信息包括待跟踪疾病的并发症，具体是指由待跟踪疾病引发的另一种疾病。待跟踪疾病与并发症是同时发生的，常出现在同一病历中，且由于两者通常有着较为一致的发病机理和临床表现，可以结合待跟踪疾病与候选演化疾病在症状信息上的相似度，判断候选演化疾病是否为待跟踪疾病的并发症。例如，胸膜炎(早期)和肺炎性心脏病常出现在同一病历，且在症状信息上的相似程度较高，由此可以确定肺炎性心脏病为胸膜炎(早期)的并发症。
疾病序列重发信息是指以待跟踪疾病为起始端的疾病序列在治愈后是否容易复发，疾病序列重发信息可以是易重发或者不易重发。从医学的角度出发，由于身体特别是免疫***特质导致个体易重发的情况，同一患者在重发疾病序列时，每次重发所对应的临床表现的症状应该是相似的。例如，以急性上呼吸道感染为起始段的疾病序列包括“急性上呼吸道感染→肺炎”，大量患者在该疾病序列治愈后重发，且每次疾病序列重发的症状均相似，由此确定急性上呼吸道感染所对应的疾病序列“急性上呼吸道感染→肺炎”的疾病序列重发信息为易重发。
需要说明的是，步骤121和步骤122分别从疾病个体和疾病之间两个角度进行疾病演化跟踪，本发明实施例不对步骤121和步骤122的执行顺序作具体限定，步骤121可以在步骤122之前或之后执行，也可以与步骤122同步执行。
基于上述任一实施例，图3为本发明实施例提供的疾病个体重发信息确定方法的流程示意图，如图3所示，步骤121具体包括：
步骤1211，基于待跟踪疾病的症状信息，确定待跟踪疾病的重复患病症状相似度。
具体地，待跟踪疾病的症状信息包含有待跟踪疾病在各个病历中分别对应的症状，可以将单一患者前后两次患待跟踪疾病的病历作为一对病历，从而确定一对病历的症状相似度。随即基于每个患者在重复患待跟踪疾病时形成的每对病历的症状相似度，确定待跟踪疾病的重复患病症状相似度。
步骤1212，基于待跟踪疾病的疾病类型和重复患病概率，以及重复患病症状相似度，确定待跟踪疾病的疾病个体重发信息。
具体地，疾病个体易重发应该是排除偶然因素下的易重发。例如同样的天气变化等外界环境下，有些人容易得肺炎，有些人则不患病。由此反映出在医学方面的深层次原因是，不同人的免疫***的在呼吸道等***方面的功能有区别。而外科疾病例如擦伤、骨折等，属于偶然因素下造成的，并非由于身体特别是免疫***特质导致的重发；慢性病是具有长期积累形成疾病形态损害的疾病，显然也不属于易重发疾病。
因此，在确定待跟踪疾病的疾病个体重发信息时，还需要考虑待跟踪疾病的疾病类型，若待跟踪疾病为外科疾病或者慢性病，则确定待跟踪疾病的疾病个体重发信息为不易重发；否则，基于待跟踪疾病的重复患病概率，以及重复患病症状相似度，确定待跟踪疾病的疾病个体重发信息。此处，待跟踪疾病的重复患病概率即重复患病的病人数量和所有患病病人数量的商。
进一步地，待跟踪疾病的重复患病概率越大，重复患病症状相似度越大，则疾病个体重发信息为易重发的概率越大；反之待跟踪疾病的重复患病概率越小，重复患病症状相似度越小，则疾病个体重发信息为易重发的概率越小。
可以预先设置用于确定疾病个体重发信息的个体重复患病概率阈值和个体重复患病症状相似度阈值，若待跟踪疾病的疾病类型不属于外科疾病和慢性病，重复患病概率大于或大于等于个体重复患病概率阈值，且重复患病症状相似度大于或大于等于个体重复患病症状相似度阈值，则确定疾病个体重发信息为易重发；否则，确定疾病个体重发信息为不易重发。
基于上述任一实施例，步骤1211中，待跟踪疾病的重复患病症状相似度具体可以表示为如下公式：
式中，待跟踪疾病即诊断名为α的疾病，patient有≥2个诊断名为α的病历表示重复多次患病的患者集合，p为任一重复多次患病的患者；i和j均为患者p的诊断名为α的病历，且i早于j，(i，j)构成一对病历，即病历对(i，j)的症状相似度，其中symp(i)和symp(j)分别为病历i和j的症状集合。
上述公式的分母表示所有重复多次患病的患者的病历对(i，j)的总数，上述公式的分子表示每个病历对(i，j)的症状相似度的总和，由此得到的重复患病症状相似度即所有病历对(i，j)的症状相似度的平均值。
基于上述任一实施例，步骤1212中，待跟踪疾病的重复患病概率可以具体表示为如下公式：
式中，分子部分表示重复患待跟踪疾病的病人数量，分母部分表示所有患待跟踪疾病的病人数量。
假设个体重复患病概率阈值表示为threshold多次患病患者占比，则当符合如下公式时，确定待跟踪疾病的重复患病概率大于等于个体重复患病概率阈值：
基于上述任一实施例，步骤122具体包括：若待跟踪疾病和任一候选演化疾病的疾病名称中，除期间词以外的字符均一致，且待跟踪疾病的期间词的时序在该候选演化疾病的期间词的时序之前，则将该候选演化疾病更新至后续期间疾病信息；否则，基于待跟踪疾病和该候选演化疾病的症状信息，更新其他演化疾病信息。
具体地，待跟踪疾病的后续期间的疾病，以及由待跟踪疾病演化的其他疾病，具有大量的相似因素，例如两者都是由待跟踪疾病演化成的，两者均与待跟踪疾病具有较一致的发病机理与临床表现，且两者在疾病演化过程中各个症状的轻重程度变化均是相对固定的。此两者最大的区分点在于，待跟踪疾病的后续期间的疾病与待跟踪疾病属于同一疾病，而由待跟踪疾病演化的其他疾病与待跟踪疾病是两个不同的疾病。
为实现疾病演化过程的准确跟踪，首先需要根据待跟踪疾病和任一候选演化疾病的疾病名称判断该候选演化疾病是否为待跟踪疾病的后续期间的疾病。通常，任一疾病及其后续期间的疾病，两者的疾病名称的区别仅在于名称中所包含的期间词不同。此处的期间词是预先定义的表示疾病分期的词汇，例如“早期”、“中期”、“晚期”、“I期”、“II期”、“III期”、“IV期”等。
例如，待跟踪疾病为胸膜炎(早期)，候选演化疾病为胸膜炎(中期)，两者疾病名称除期间词以外的字符均一致，期间词“早期”的时序在“中期”的时序之前，因此确定胸膜炎(中期)属于胸膜炎(早期)的后续期间的疾病，将胸膜炎(中期)加入胸膜炎(早期)的后续期间疾病信息。
又例如，待跟踪疾病为肺炎，候选演化疾病为胸膜炎(早期)，两者疾病名称除期间词以外的字符并不相同，因此胸膜炎(早期)不属于肺炎的后续期间的疾病，需要应用两者的症状信息，判断胸膜炎(早期)是否为肺炎演化的其他疾病，若是，则将胸膜炎(早期)加入肺炎的其他演化疾病信息，否则不将胸膜炎(早期)加入肺炎的其他演化疾病信息。
基于上述任一实施例，图4为本发明实施例提供的其他演化疾病信息确定方法的流程示意图，如图4所示，步骤122中，所述基于待跟踪疾病和该候选演化疾病的症状信息，更新其他演化疾病信息，具体包括：
步骤1221-1，基于待跟踪疾病和该候选演化疾病的症状信息，确定待跟踪疾病和该候选演化疾病的疾病间症状相似度和症状变化一致度。
具体地，待跟踪疾病和任一候选演化疾病的症状信息分别包含有待跟踪疾病在各个病历中分别对应的症状，以及该候选演化疾病在各个病历中分别对应的症状，可以基于待跟踪疾病的症状信息中包含的所有症状，以及该候选演化疾病的症状信息中包含的所有症状，计算待跟踪疾病和该候选演化疾病的疾病间症状相似度。
此外，待跟踪疾病的症状信息与该候选演化疾病的症状集信息中存在相同的症状，且同一症状在待跟踪疾病和候选演化疾病中体现出的程度可能不同，例如肺炎时的咳嗽通常比急性上呼吸道感染时要严重，即从急性上呼吸道感染演化到肺炎的过程中，咳嗽是加重的。可以将单一患者患待跟踪疾病的病历和此后患候选演化疾病的病历作为一对病历，通过统计每对病历中同一症状的程度变化，即可得到症状变化一致度，若每对病历中同一症状的程度变化一致的比例越高，则症状变化一致度越高。例如，大量病历对中同一症状的程度变化均是加重，仅少数病历对中同一症状的程度变化为减轻，或者大量病历对中同一症状的程度变化均是减轻，仅少数病历对中同一症状的程度变化为加重，此时的症状变化一致度较高。
步骤1221-2，基于该候选演化疾病发生在待跟踪疾病之后的病历对数量，以及疾病间症状相似度和症状变化一致度，更新其他演化疾病信息。
具体地，单一患者患待跟踪疾病的病历和此后患候选演化疾病的病历所构成一对病历，统计大量病历数据构成的每一对病历的数量，作为该候选演化疾病发生在待跟踪疾病之后的病历对数量。
病历对数量越大，疾病间症状相似度和症状变化一致度越高，则该候选演化疾病为待跟踪疾病演化的其他疾病的概率越高。反之，病历对数量越小，疾病间症状相似度和症状变化一致度越低，则该候选演化疾病为待跟踪疾病演化的其他疾病的概率越低。
可以预先设置用于判断该候选演化疾病是否为待跟踪疾病演化的其他疾病的病历对数量阈值、疾病间症状相似度阈值和症状变化一致度阈值，若病历对数量大于或大于等于病历对数量阈值，疾病间症状相似度大于或大于等于疾病间症状相似度阈值，且症状变化一致度大于或大于等于症状变化一致度阈值，则该候选演化疾病为待跟踪疾病演化的其他疾病，将该候选演化疾病加入其他演化疾病信息；否则，该候选演化疾病不是待跟踪疾病演化的其他疾病，不将其他演化疾病信息加入其他演化疾病信息。
基于上述任一实施例，步骤1221-1中，假设待跟踪疾病为α，任一候选演化疾病为β。待跟踪疾病和该候选演化疾病的疾病间症状相似度可以表示为如下公式：
式中，symp(α)和symp(β)分别为待跟踪疾病为α和候选演化疾病β在当前病历集中对应的所有不同症状词集合。
单一患者患待跟踪疾病α的病历和此后患候选演化疾病β的病历作为一对病历{α→β}。此处，可以具体限定待跟踪疾病α的病历和候选演化疾病β的病历间隔的时间在预设时段内。由此得到待跟踪疾病α和候选演化疾病β的症状变化一致度可以表示为如下公式：
式中，symp(β)∩symp(α)为待跟踪疾病α的症状集合symp(α)与候选演化疾病β的症状集合symp(β)中存在的相同的症状，症状s为两种疾病的症状集合中均存在的症状。accord(s|α→β)表示在所有包含症状s的{α→β}病历对中，症状s表现出的一致性。
上式的分母部分表示两种疾病的症状集合中均存在的症状的总数。分子部分表示每个症状s的一致性的总和，由此得到的症状变化一致度即每个症状s的一致性的均值。
其中，单个症状s的accord(s|α→β)是通过下式得到的：
numtohigher(s|α→β)＝∑i∈包含症状s的{α→β}ifelse(i中s由α到β变严重，1，0)
numtolower(s|α→β)＝∑i∈包含症状s的{α→β}ifelse(i中s由α到β变轻微，1，0)
式中，numtohigher(s|α→β)是指在所有包含症状s的{α→β}病历对中，症状s在β的病历内比起在α的病历内，程度更严重的病历对数量。numtolower(s|α→β)是指在所有包含症状s的{α→β}病历对中，症状s在β的病历内比起在α的病历内，程度更轻微的病历对数量。由此得到的accord(s|α→β)是所有包含症状s的{α→β}病历对中程度更严重的病历对数量和程度更轻微的病历对数量的最大值，与包含症状s的病历对总数之间的商。
基于上述任一实施例，图5为本发明实施例提供的并发症信息确定方法的流程示意图，如图5所示，步骤122具体包括：
步骤1222-1，基于待跟踪疾病和任一候选演化疾病的症状信息，确定待跟踪疾病和该候选演化疾病的疾病间症状相似度。
具体地，待跟踪疾病和任一候选演化疾病的症状信息分别包含有待跟踪疾病在各个病历中分别对应的症状，以及该候选演化疾病在各个病历中分别对应的症状，可以基于待跟踪疾病的症状信息中包含的所有症状，以及该候选演化疾病的症状信息中包含的所有症状，计算待跟踪疾病和该候选演化疾病的疾病间症状相似度。
步骤1222-2，基于待跟踪疾病和该候选演化疾病的并发病历对数量，以及疾病间症状相似度，更新并发症信息。
具体地，若任一患者先期病历诊断为待跟踪疾病α，后期病历诊断为待跟踪疾病α和该候选演化疾病β，即后期诊断的待跟踪疾病和该候选演化疾病出现在一个病历内，可以表示为(α，β)，则将该患者的先期病历和后期病历作为一个并发病历对{α→(α，β)}。统计大量病历数据中并发病历对的数量，作为待跟踪疾病和该候选演化疾病的并发病历对数量。
并发病历对数量越大，疾病间症状相似度越高，则该候选演化疾病为待跟踪疾病的并发症的概率越高；反之，并发病历对数量越小，疾病间症状相似度越低，则该候选演化疾病为待跟踪疾病的并发症的概率越低。
可以预先设置用于判断该候选演化疾病是否为待跟踪疾病的并发症的并发病历对数量阈值和疾病间症状相似度阈值，若并发病历对数量大于或大于等于并发病历对数量阈值，且疾病间症状相似度大于或大于等于疾病间症状相似度阈值，则该候选演化疾病为待跟踪疾病的并发症，将该候选演化疾病加入并发症信息；否则，该候选演化疾病不是待跟踪疾病的并发症，不将其他演化疾病信息加入并发症信息。
基于上述任一实施例，步骤1222-1中，待跟踪疾病和该候选演化疾病的疾病间症状相似度的计算可以参考步骤1221-1中疾病间症状相似度的计算公式，此处不再赘述。
基于上述任一实施例，图6为本发明实施例提供的疾病序列重发信息确定方法的流程示意图，如图6所示，步骤122具体包括：
步骤1223-1，确定以待跟踪疾病为起始端的疾病序列，疾病序列中当前疾病的后一疾病包含在当前疾病的后续期间疾病信息、其他演化疾病信息或并发症信息中。
具体地，疾病序列包含至少两个疾病，其中待跟踪疾病为疾病序列中的首个疾病，即疾病序列的起始端。将疾病序列中的任一疾病作为当前疾病，当前疾病的后一疾病属于当前疾病的后续期间的疾病、由当前疾病演化的其他疾病，或者当前疾病的并发症。
例如，待跟踪疾病为急性上呼吸道感染，以急性上呼吸道感染为起始端的疾病序列为“急性上呼吸道感染→肺炎”，其中肺炎为急性上呼吸道感染演化的其他疾病。
步骤1223-2，基于疾病序列的症状信息，确定疾病序列的重复患病症状相似度。
具体地，疾病序列的症状信息包含有疾病序列中的疾病在各个病历中分别对应的症状，可以基于单一患者前后两次患疾病序列的症状集合，确定该患者重复患疾病序列的症状相似度。随即基于每个患者在重复患疾病序列的症状相似度，确定疾病序列的重复患病症状相似度。
步骤1223-3，基于疾病序列中每一疾病的疾病类型，以及疾病序列的重复患病概率和重复患病症状相似度，确定疾病序列的疾病序列重发信息。
具体地，与判断单一疾病是否易重发相同地，在确定疾病序列重发信息时，还需要考虑疾病序列中每个疾病的疾病类型，若疾病序列中存在外科疾病或者慢性病，则确定疾病序列重发信息为不易重发；否则，基于疾病序列的重复患病概率，以及重复患病症状相似度，确定疾病序列重发信息。此处，疾病序列的重复患病概率即重复患疾病序列的病人数量和所有患疾病序列的病人数量的商。
进一步地，疾病序列的重复患病概率越大，重复患病症状相似度越大，则疾病序列重发信息为易重发的概率越大；反之疾病序列的重复患病概率越小，重复患病症状相似度越小，则疾病序列重发信息为易重发的概率越小。
可以预先设置用于确定疾病序列重发信息的序列重复患病概率阈值和序列重复患病症状相似度阈值，若疾病序列中各疾病的疾病类型不属于外科疾病和慢性病，重复患病概率大于或大于等于序列重复患病概率阈值，且重复患病症状相似度大于或大于等于序列重复患病症状相似度阈值，则确定疾病序列重发信息为易重发；否则，确定疾病序列重发信息为不易重发。
基于上述任一实施例，假设待跟踪疾病的疾病序列为{d1→d2→…→dn}，其中任一对相邻的两个疾病{di→di+1}满足，di+1属于di的后续期间的疾病、由di演化的其他疾病，或者di的并发症。
疾病序列的重复患病概率可以表示为如下公式：
式中，分子部分表示重复患疾病序列的病人数量，分母部分表示所有患疾病序列的病人数量。
疾病序列的重复患病症状相似度可以表示为如下公式：
式中，表示重复多次患疾病序列的患者集合，p为任一重复多次患疾病序列的患者；i和j均为患者p患疾病序列的病历，且i早于j，(i，j)构成一对病历，/>即病历对(i，j)的症状相似度，其中symp(i)和symp(j)分别为病历i和j的症状集合。
上述公式的分母表示所有重复多次患疾病序列的患者的病历对(i，j)的总数，上述公式的分子表示每个病历对(i，j)的症状相似度的总和，由此得到的疾病序列的重复患病症状相似度即所有病历对(i，j)的症状相似度的平均值。
若疾病序列中的每一疾病di均不是外科疾病，也不是慢性病，且疾病序列的重复患病概率大于等于序列重复患病概率阈值threshold多次患病患者占比，疾病序列的重复患病症状相似度大于等于序列重复患病症状相似度阈值threshold重复患病时症状相似度，则确定疾病序列重发信息为易重发；否则，确定疾病序列重发信息为不易重发。
基于上述任一实施例，图7为本发明实施例提供的病情提示方法的流程示意图，如图7所示，病情提示方法包括：
步骤710，确定患者的待提示疾病。
步骤720，基于疾病体系，确定待提示疾病对应的病情提示信息；
其中，疾病体系是基于疾病演化跟踪方法得到的各疾病的疾病演化信息确定的。
具体地，在实现各个疾病的演化跟踪之后，即可结合各个疾病的疾病演化信息，可以实现疾病之间内在关系的相互连结，从而构建疾病体系。例如，通过对急性上呼吸道感染进行疾病演化跟踪，得到急性上呼吸道感染的其他演化疾病信息包括下呼吸道感染和肺炎，通过对肺炎进行疾病演化跟踪，得到肺炎的其他演化疾病信息包括胸膜炎(早期)，由此可知，急性上呼吸道感染演化为肺炎后，还可能继续演化为胸膜炎(早期)。
待提示疾病即需要进行病情提示的疾病，在确定待提示疾病后，可以通过预先构建的疾病体系，定位待提示疾病，进而提取出待提示疾病的演化轨迹，包含待提示疾病自身的演化跟踪信息，以及与待提示疾病的演化相关的疾病的演化跟踪信息，作为待提示疾病对应的病情提示信息，对患者进行病情提示。
本发明实施例提供的方法，基于各疾病的疾病演化信息确定的疾病体系进行病情提示，有效提高了病情提示的准确性和可靠性。
基于上述任一实施例，步骤720具体包括：基于患者的患者类型所对应的疾病体系，确定待提示疾病对应的病情提示信息；患者类型所对应的疾病体系中各疾病的疾病演化信息是基于属于患者类型的患者的病历数据得到的。
具体地，患者类型可以是根据患者的年龄区间、性别、地域、身体健康程度等因素划分得到的，本发明实施例不对此作具体限定。
可以预先对应于不同的患者类型建立多个疾病体系，患者类型和疾病体系一一对应。针对于一类患者类型，收集属于该患者类型的患者的病历数据，并基于该患者类型的病历数据，确定该跟踪疾病的症状信息，从而对待跟踪疾病进行疾病演化跟踪，得到针对于该患者类型的疾病演化信息，从而构建针对于该患者类型的疾病体系。
在对患者进行病情提示时，可以根据患者所属的患者类型，选取对应的疾病体系以获取病情提示信息，从而进一步提高病情提示的针对性和准确性。
基于上述任一实施例，步骤720具体包括：基于患者确诊待提示疾病的次数，以及疾病体系，确定病情提示信息中的易重发信息。
具体地，针对于病情提示信息中是否提示患者待提示疾病易重发或者以待提示疾病为起始端的疾病序列易重发，不仅需要考虑疾病体系中待提示疾病所对应的疾病个体重发信息和疾病序列重发信息，还需要考虑患者的自身体质，具体表现为患者确诊待提示疾病的次数。
假设待提示疾病为急性上呼吸道感染，急性上呼吸道感染个体易重发，且“急性上呼吸道感染→肺炎”序列易重发，但是患者历史确诊急性上呼吸道感染的次数只有一次，患者本身体质不易重发急性上呼吸道感染，因此不将急性上呼吸道感染个体易重发以及“急性上呼吸道感染→肺炎”序列易重发加入到该患者的病情提示信息中。
基于上述任一实施例，图8为本发明实施例提供的疾病体系局部示意图，如图8所示，急性上呼吸道感染的其他演化疾病信息包括下呼吸道感染和肺炎，急性上呼吸道感染个体易重发，且急性上呼吸道感染和肺炎序列易重发；肺炎的其他演化疾病信息包括胸膜炎(早期)，肺炎个体易重发；胸膜炎(早期)的后续期间疾病信息包括胸膜炎(中期)，胸膜炎(早期)的并发症信息包括肺炎性心脏病。
当需要进行病情提示时，首先确定患者的待提示疾病，例如待提示疾病为肺炎。参考图8示出的疾病体系，定位肺炎的疾病演化信息，包含疾病个体重发信息为易重发，以及其他演化疾病信息为胸膜炎(早期)。由于胸膜炎(早期)为肺炎演化的其他疾病，进一步定位胸膜炎(早期)的疾病演化信息，包含后续期间疾病信息为胸膜炎(中期)，以及并发症信息为肺炎性心脏病。进一步定位胸膜炎(中期)和肺炎性心脏病的疾病演化信息，直至无法查找到进一步关联的疾病演化信息。在此之前，可以预先设定可关联的步长阈值，即任一疾病连接到待提示疾病所需的边的数量的最大值，假设步长阈值为3，则定位到胸膜炎(中期)和肺炎性心脏病即可，不再进一步关联胸膜炎(中期)和肺炎性心脏病的疾病演化信息。
在此过程中，针对于疾病个体是否易重发或者疾病序列是否易重发，需要结合患者确诊待提示疾病的次数考虑，假设患者此前确诊肺炎的次数是两次，疾病体系中肺炎个体易重发，则病情提示信息中提示肺炎个体易重发。
基于上述任一实施例，在确定待提示疾病对应的病情提示信息时，可以从患者所属的患者类型对应的疾病体系中，提取待提示疾病的疾病演化信息，以及与待提示疾病的演化相关的疾病的演化跟踪信息。需要说明的是，与待提示疾病的演化相关的疾病的演化跟踪信息中，可能存在一些连接到待提示疾病所需的边的数量较大的疾病，即距离待提示疾病步长较长的疾病，这些疾病本身与待提示疾病之间的关联并不紧密，对于待提示疾病的病情提示而言不具备实际意义。
因此，可以将待提示疾病作为原点，确定待提示疾病的疾病演化信息以及与待提示疾病的演化相关的疾病的演化跟踪信息中每个疾病与待提示疾病之间的步长，若步长超过预先设定的步长阈值，且该疾病不属于易重发的疾病序列，则不将该疾病体现在病情提示信息中。
基于上述任一实施例，图9为本发明实施例提供的疾病演化跟踪装置的结构示意图，如图9所示，疾病演化跟踪装置包括跟踪确定单元910和演化跟踪单元920；
其中，跟踪确定单元910用于确定待跟踪疾病；
演化跟踪单元920用于基于所述待跟踪疾病的症状信息，以及所述待跟踪疾病的若干个候选演化疾病的症状信息，确定所述待跟踪疾病的疾病演化信息。
本发明实施例提供的装置，结合待跟踪疾病和候选演化疾病的症状信息进行疾病演化跟踪，从而能够从医学角度上深层次分析疾病间的内在关系，进而提高疾病演化跟踪的可靠性和准确性。
基于上述任一实施例，演化跟踪单元920包括：
个体演化跟踪子单元，用于基于所述待跟踪疾病的症状信息，确定所述待跟踪疾病的疾病个体重发信息；
疾病间演化跟踪子单元，用于基于所述待跟踪疾病和每一候选演化疾病的症状信息，确定所述待跟踪疾病的疾病间演化信息，所述疾病间演化信息包括后续期间疾病信息、其他演化疾病信息、并发症信息以及疾病序列重发信息中的至少一种。
基于上述任一实施例，个体演化跟踪子单元具体用于：
基于所述待跟踪疾病的症状信息，确定所述待跟踪疾病的重复患病症状相似度；
基于所述待跟踪疾病的疾病类型、重复患病概率以及所述重复患病症状相似度，确定所述待跟踪疾病的疾病个体重发信息。
基于上述任一实施例，疾病间演化跟踪子单元包括：
后续期间跟踪模块，用于若所述待跟踪疾病和任一候选演化疾病的疾病名称中，除期间词以外的字符均一致，且所述待跟踪疾病的期间词的时序在所述任一候选演化疾病的期间词的时序之前，则将所述任一候选演化疾病更新至所述后续期间疾病信息；
演化其他疾病跟踪模块，用于否则，基于所述待跟踪疾病和所述任一候选演化疾病的症状信息，更新所述其他演化疾病信息。
基于上述任一实施例，演化其他疾病跟踪模块具体用于：
基于所述待跟踪疾病和所述任一候选演化疾病的症状信息，确定所述待跟踪疾病和所述任一候选演化疾病的疾病间症状相似度和症状变化一致度；
基于所述任一候选演化疾病发生在所述待跟踪疾病之后的病历对数量，以及所述疾病间症状相似度和所述症状变化一致度，更新所述其他演化疾病信息。
基于上述任一实施例，疾病间演化跟踪子单元包括：
并发跟踪模块，用于基于所述待跟踪疾病和任一候选演化疾病的症状信息，确定所述待跟踪疾病和所述任一候选演化疾病的疾病间症状相似度；
基于所述待跟踪疾病和所述任一候选演化疾病的并发病历对数量，以及所述疾病间症状相似度，更新所述并发症信息。
基于上述任一实施例，疾病间演化跟踪子单元包括：
序列重发跟踪模块，用于确定以所述待跟踪疾病为起始端的疾病序列，所述疾病序列中当前疾病的后一疾病包含在所述当前疾病的后续期间疾病信息、其他演化疾病信息或并发症信息中；
基于所述疾病序列的症状信息，确定所述疾病序列的重复患病症状相似度；
基于所述疾病序列中每一疾病的疾病类型，以及所述疾病序列的重复患病概率和所述重复患病症状相似度，确定所述疾病序列的疾病序列重发信息。
基于上述任一实施例，图10为本发明实施例提供的病情提示装置的结构示意图，如图10所示，病情提示装置包括提示确定单元1010和病情提示单元1020；
其中，提示确定单元1010用于确定患者的待提示疾病；
病情提示单元1020用于基于疾病体系，确定所述待提示疾病对应的病情提示信息；
其中，所述疾病体系是基于疾病演化跟踪方法得到的各疾病的疾病演化信息确定的。
本发明实施例提供的装置，基于各疾病的疾病演化信息确定的疾病体系进行病情提示，有效提高了病情提示的准确性和可靠性。
基于上述任一实施例，病情提示单元1020具体用于：
基于所述患者的患者类型所对应的疾病体系，确定所述待提示疾病对应的病情提示信息；
所述患者类型所对应的疾病体系中，各疾病的疾病演化信息是基于属于所述患者类型的患者的病历数据得到的。
基于上述任一实施例，病情提示单元1020具体用于：
基于所述患者确诊所述待提示疾病的次数，以及所述疾病体系，确定所述病情提示信息中的易重发信息。
图11为本发明实施例提供的电子设备的结构示意图，如图11所示，该电子设备可以包括：处理器(processor)1110、通信接口(Communications Interface)1120、存储器(memory)1130和通信总线1140，其中，处理器1110，通信接口1120，存储器1130通过通信总线1140完成相互间的通信。处理器1110可以调用存储器1130中的逻辑命令，以执行如下方法：确定待跟踪疾病；基于所述待跟踪疾病的症状信息，以及所述待跟踪疾病的若干个候选演化疾病的症状信息，确定所述待跟踪疾病的疾病演化信息。
处理器1110还可以调用存储器1130中的逻辑命令，以执行如下方法：确定患者的待提示疾病；基于疾病体系，确定所述待提示疾病对应的病情提示信息；其中，所述疾病体系是基于疾病演化跟踪方法得到的各疾病的疾病演化信息确定的。
此外，上述的存储器1130中的逻辑命令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干命令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的方法，例如包括：确定待跟踪疾病；基于所述待跟踪疾病的症状信息，以及所述待跟踪疾病的若干个候选演化疾病的症状信息，确定所述待跟踪疾病的疾病演化信息。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的方法，例如包括：确定患者的待提示疾病；基于疾病体系，确定所述待提示疾病对应的病情提示信息；其中，所述疾病体系是基于疾病演化跟踪方法得到的各疾病的疾病演化信息确定的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干命令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (13)
1.一种疾病演化跟踪方法，其特征在于，包括：
确定待跟踪疾病；
基于所述待跟踪疾病的症状信息，以及所述待跟踪疾病的若干个候选演化疾病的症状信息，确定所述待跟踪疾病的疾病演化信息，所述疾病演化信息包括疾病个体重发信息和疾病间演化信息；
基于所述待跟踪疾病的症状信息，以及所述待跟踪疾病的若干个候选演化疾病的症状信息，确定所述待跟踪疾病的疾病演化信息，具体包括：
基于所述待跟踪疾病的症状信息，确定所述待跟踪疾病的重复患病症状相似度；
基于所述待跟踪疾病的疾病类型、重复患病概率以及所述重复患病症状相似度，确定所述待跟踪疾病的疾病个体重发信息。
2.根据权利要求1所述的疾病演化跟踪方法，其特征在于，所述基于所述待跟踪疾病的症状信息，以及所述待跟踪疾病的若干个候选演化疾病的症状信息，确定所述待跟踪疾病的疾病演化信息，还包括：
基于所述待跟踪疾病和每一候选演化疾病的症状信息，确定所述待跟踪疾病的疾病间演化信息，所述疾病间演化信息包括后续期间疾病信息、其他演化疾病信息、并发症信息以及疾病序列重发信息中的至少一种。
3.根据权利要求2所述的疾病演化跟踪方法，其特征在于，所述基于所述待跟踪疾病和每一候选演化疾病的症状信息，确定所述待跟踪疾病的疾病间演化信息，具体包括：
若所述待跟踪疾病和任一候选演化疾病的疾病名称中，除期间词以外的字符均一致，且所述待跟踪疾病的期间词的时序在所述任一候选演化疾病的期间词的时序之前，则将所述任一候选演化疾病更新至所述后续期间疾病信息；
否则，基于所述待跟踪疾病和所述任一候选演化疾病的症状信息，更新所述其他演化疾病信息。
4.根据权利要求3所述的疾病演化跟踪方法，其特征在于，所述基于所述待跟踪疾病和所述任一候选演化疾病的症状信息，更新所述其他演化疾病信息，具体包括：
基于所述待跟踪疾病和所述任一候选演化疾病的症状信息，确定所述待跟踪疾病和所述任一候选演化疾病的疾病间症状相似度和症状变化一致度；
基于所述任一候选演化疾病发生在所述待跟踪疾病之后的病历对数量，以及所述疾病间症状相似度和所述症状变化一致度，更新所述其他演化疾病信息。
5.根据权利要求2所述的疾病演化跟踪方法，其特征在于，所述基于所述待跟踪疾病和每一候选演化疾病的症状信息，确定所述待跟踪疾病的疾病间演化信息，具体包括：
基于所述待跟踪疾病和任一候选演化疾病的症状信息，确定所述待跟踪疾病和所述任一候选演化疾病的疾病间症状相似度；
基于所述待跟踪疾病和所述任一候选演化疾病的并发病历对数量，以及所述疾病间症状相似度，更新所述并发症信息。
6.根据权利要求2所述的疾病演化跟踪方法，其特征在于，所述基于所述待跟踪疾病和每一候选演化疾病的症状信息，确定所述待跟踪疾病的疾病间演化信息，具体包括：
确定以所述待跟踪疾病为起始端的疾病序列，所述疾病序列中当前疾病的后一疾病包含在所述当前疾病的后续期间疾病信息、其他演化疾病信息或并发症信息中；
基于所述疾病序列的症状信息，确定所述疾病序列的重复患病症状相似度；
基于所述疾病序列中每一疾病的疾病类型，以及所述疾病序列的重复患病概率和所述重复患病症状相似度，确定所述疾病序列的疾病序列重发信息。
7.一种病情提示方法，其特征在于，包括：
确定患者的待提示疾病；
基于疾病体系，确定所述待提示疾病对应的病情提示信息；
其中，所述疾病体系是基于权利要求1至6中任一项所述疾病演化跟踪方法得到的各疾病的疾病演化信息确定的。
8.根据权利要求7所述的病情提示方法，其特征在于，所述基于疾病体系，确定所述待提示疾病对应的病情提示信息，具体包括：
基于所述患者的患者类型所对应的疾病体系，确定所述待提示疾病对应的病情提示信息；
所述患者类型所对应的疾病体系中，各疾病的疾病演化信息是基于属于所述患者类型的患者的病历数据得到的。
9.根据权利要求7所述的病情提示方法，其特征在于，所述基于疾病体系，确定所述待提示疾病对应的病情提示信息，具体包括：
基于所述患者确诊所述待提示疾病的次数，以及所述疾病体系，确定所述病情提示信息中的易重发信息。
10.一种疾病演化跟踪装置，其特征在于，包括：
跟踪确定单元，用于确定待跟踪疾病；
演化跟踪单元，用于基于所述待跟踪疾病的症状信息，以及所述待跟踪疾病的若干个候选演化疾病的症状信息，确定所述待跟踪疾病的疾病演化信息，所述疾病演化信息包括疾病个体重发信息和疾病间演化信息；
所述演化跟踪单元具体用于：
基于所述待跟踪疾病的症状信息，确定所述待跟踪疾病的重复患病症状相似度；
基于所述待跟踪疾病的疾病类型、重复患病概率以及所述重复患病症状相似度，确定所述待跟踪疾病的疾病个体重发信息。
11.一种病情提示装置，其特征在于，包括：
提示确定单元，用于确定患者的待提示疾病；
病情提示单元，用于基于疾病体系，确定所述待提示疾病对应的病情提示信息；
其中，所述疾病体系是基于权利要求1至6中任一项所述疾病演化跟踪方法得到的各疾病的疾病演化信息确定的。
12.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6中任一项所述的疾病演化跟踪方法，或如权利要求7至9中任一项所述的病情提示方法的步骤。
13.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6中任一项所述的疾病演化跟踪方法，或如权利要求7至9中任一项所述的病情提示方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010237744.0A CN111462909B (zh) | 2020-03-30 | 2020-03-30 | 疾病演化跟踪和病情提示方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010237744.0A CN111462909B (zh) | 2020-03-30 | 2020-03-30 | 疾病演化跟踪和病情提示方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111462909A CN111462909A (zh) | 2020-07-28 |
| CN111462909B true CN111462909B (zh) | 2024-04-05 |
Family
ID=71681617
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010237744.0A Active CN111462909B (zh) | 2020-03-30 | 2020-03-30 | 疾病演化跟踪和病情提示方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111462909B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112907551B (zh) * | 2021-03-05 | 2023-03-28 | 广东开放大学（广东理工职业学院） | 一种基于超声检测图像的疾病演化方法及装置 |
| CN115376698B (zh) * | 2022-10-25 | 2023-04-11 | 北京鹰瞳科技发展股份有限公司 | 用于对眼底疾病的演进进行预测的装置、方法和存储介质 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001085021A1 (en) * | 2000-05-08 | 2001-11-15 | Schmitt Armand J | System and method for determining the probable existence of disease |
| CN1423789A (zh) * | 2000-02-14 | 2003-06-11 | 第一咨询公司 | 自动诊断***和方法 |
| CN106169165A (zh) * | 2015-05-20 | 2016-11-30 | 詹宇 | 面向诊疗数据的症状层次关联及预测方法 |
| CN107273685A (zh) * | 2017-06-14 | 2017-10-20 | 广东工业大学 | 一种针对临床疾病的多模态大数据的数据分析方法 |
| CN107610770A (zh) * | 2016-07-11 | 2018-01-19 | 百度（美国）有限责任公司 | 用于自动化诊断的问题生成***和方法 |
| CN108039205A (zh) * | 2017-12-20 | 2018-05-15 | 深圳市智慧健康产业发展有限公司 | 一种居于体征大数据的慢性病自动跟踪、治疗及推送方法 |
| CN108172292A (zh) * | 2017-10-31 | 2018-06-15 | 海南职业技术学院 | 一种医疗数据跟踪管理***及方法 |
| CN108346474A (zh) * | 2018-03-14 | 2018-07-31 | 湖南省蓝蜻蜓网络科技有限公司 | 基于单词的类内分布与类间分布的电子病历特征选择方法 |
| JP2018147023A (ja) * | 2017-03-01 | 2018-09-20 | ヤフー株式会社 | 提供装置、提供方法、及び提供プログラム |
| CN108877921A (zh) * | 2017-05-12 | 2018-11-23 | 京东方科技集团股份有限公司 | 医疗智能分诊方法和医疗智能分诊*** |
| CN109036577A (zh) * | 2018-07-27 | 2018-12-18 | 合肥工业大学 | 糖尿病并发症分析方法及装置 |
| CN109659033A (zh) * | 2018-12-18 | 2019-04-19 | 浙江大学 | 一种基于循环神经网络的慢性疾病病情变化事件预测装置 |
| CN110610766A (zh) * | 2019-09-06 | 2019-12-24 | 中润普达(十堰)大数据中心有限公司 | 基于症状特征权重推导疾病概率的装置和存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10950353B2 (en) * | 2013-09-20 | 2021-03-16 | Georgia Tech Research Corporation | Systems and methods for disease progression modeling |
| CA3040972A1 (en) * | 2016-10-20 | 2018-04-26 | Datapult, Inc. | Sickness prediction application system |
-
2020
- 2020-03-30 CN CN202010237744.0A patent/CN111462909B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1423789A (zh) * | 2000-02-14 | 2003-06-11 | 第一咨询公司 | 自动诊断***和方法 |
| WO2001085021A1 (en) * | 2000-05-08 | 2001-11-15 | Schmitt Armand J | System and method for determining the probable existence of disease |
| CN106169165A (zh) * | 2015-05-20 | 2016-11-30 | 詹宇 | 面向诊疗数据的症状层次关联及预测方法 |
| CN107610770A (zh) * | 2016-07-11 | 2018-01-19 | 百度（美国）有限责任公司 | 用于自动化诊断的问题生成***和方法 |
| JP2018147023A (ja) * | 2017-03-01 | 2018-09-20 | ヤフー株式会社 | 提供装置、提供方法、及び提供プログラム |
| CN108877921A (zh) * | 2017-05-12 | 2018-11-23 | 京东方科技集团股份有限公司 | 医疗智能分诊方法和医疗智能分诊*** |
| CN107273685A (zh) * | 2017-06-14 | 2017-10-20 | 广东工业大学 | 一种针对临床疾病的多模态大数据的数据分析方法 |
| CN108172292A (zh) * | 2017-10-31 | 2018-06-15 | 海南职业技术学院 | 一种医疗数据跟踪管理***及方法 |
| CN108039205A (zh) * | 2017-12-20 | 2018-05-15 | 深圳市智慧健康产业发展有限公司 | 一种居于体征大数据的慢性病自动跟踪、治疗及推送方法 |
| CN108346474A (zh) * | 2018-03-14 | 2018-07-31 | 湖南省蓝蜻蜓网络科技有限公司 | 基于单词的类内分布与类间分布的电子病历特征选择方法 |
| CN109036577A (zh) * | 2018-07-27 | 2018-12-18 | 合肥工业大学 | 糖尿病并发症分析方法及装置 |
| CN109659033A (zh) * | 2018-12-18 | 2019-04-19 | 浙江大学 | 一种基于循环神经网络的慢性疾病病情变化事件预测装置 |
| CN110610766A (zh) * | 2019-09-06 | 2019-12-24 | 中润普达(十堰)大数据中心有限公司 | 基于症状特征权重推导疾病概率的装置和存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| 中风病发病前机体状态的动态演化过程研究;郭蕾, 吕荣, 王学伟, ***, 程翼宇;北京中医药大学学报;20040730(04);全文 * |
| 多元化跟踪干预对慢性阻塞性肺疾病患者遵医行为的影响;吴守宇;;中国医学创新;20130425(12);全文 * |
| 时间序列数据挖掘在糖尿病证候演化规律研究中的应用;胡绿慧;张忠顺;;信息与电脑(理论版)(第18期);正文第127-130页 * |
| 胡绿慧 ; 张忠顺 ; .时间序列数据挖掘在糖尿病证候演化规律研究中的应用.信息与电脑(理论版).2017,(18),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111462909A (zh) | 2020-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112365987B (zh) | 诊断数据异常检测方法、装置、计算机设备及存储介质 | |
| Yoo et al. | Outpatient versus inpatient treatment for acute pulmonary embolism | |
| CN111462909B (zh) | 疾病演化跟踪和病情提示方法、装置及电子设备 | |
| US20220328197A1 (en) | Physiologic severity of illness score for acute care patients | |
| CN110246577B (zh) | 一种基于人工智能辅助妊娠期糖尿病遗传风险预测的方法 | |
| Ho et al. | Septic shock prediction for patients with missing data | |
| EP2997514A1 (en) | Context-aware prediction in medical systems | |
| US20230187067A1 (en) | Use of clinical parameters for the prediction of sirs | |
| WO2021073255A1 (zh) | 基于时序聚类的用药提醒方法及相关设备 | |
| US12002585B2 (en) | Apparatus, computer program product, and method for predictive data labelling using a dual-prediction model system | |
| CN111326243B (zh) | 分诊推荐方法、装置、电子设备和存储介质 | |
| WO2022229964A1 (en) | Method of generating a diseases database, usage of the diseases database, and system therefor | |
| CN116631558B (zh) | 一种基于互联网的医学检测项目的构建方法 | |
| CN110911008A (zh) | 一种建立胆道闭锁列线图预测模型的方法及其用途 | |
| CN113674824A (zh) | 一种基于区域医疗大数据的疾病编码方法和*** | |
| CN107066816B (zh) | 基于临床数据的就医指导方法、装置及服务器 | |
| Zhu et al. | Factors associated with healing outcomes in primary care patients with diabetic foot ulcers: a retrospective study in a multiethnic sample | |
| CN117290509A (zh) | 电子病历文本分类模型训练方法、装置、电子设备及介质 | |
| El‐Solh et al. | Outcome of older patients with severe pneumonia predicted by recursive partitioning | |
| CN115631823A (zh) | 相似病例推荐方法及*** | |
| CN114724701A (zh) | 基于叠加集成算法和自动编码器的无创通气疗效预测*** | |
| Bowman et al. | Patients with pulmonary hypertension presenting to the emergency department | |
| CN110675927A (zh) | 一种基于大数据的病情检索方法 | |
| CN114649071A (zh) | 一种基于真实世界数据的消化性溃疡治疗方案的预测*** | |
| Gore et al. | Coronavirus Disease 2019 and Hospital Readmissions: Patient Characteristics and Socioeconomic Factors Associated with Readmissions in an Urban Safety-Net Hospital System |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 230088 floor 23-24, building A5, No. 666, Wangjiang West Road, high tech Zone, Hefei, Anhui Province Applicant after: Anhui Xunfei Medical Co.,Ltd. Address before: 230088 room 288, building H2, phase II, innovation industrial park, 2800 innovation Avenue, high tech Zone, Hefei City, Anhui Province Applicant before: ANHUI IFLYTEK MEDICAL INFORMATION TECHNOLOGY CO.,LTD. |
|
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 230088 floor 23-24, building A5, No. 666, Wangjiang West Road, high tech Zone, Hefei, Anhui Province Applicant after: IFLYTEK Medical Technology Co.,Ltd. Address before: 230088 floor 23-24, building A5, No. 666, Wangjiang West Road, high tech Zone, Hefei, Anhui Province Applicant before: Anhui Xunfei Medical Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |